摘要：边缘计算将云计算数据中心处理的大型服务进行适当的分解、解耦、拆分，切割成粒度更小更容易管理的小块服务，分散到众多的边缘节点去处理。为了适应计算架构的这种转换需求，原来云计算数据中心算力资源集中管控和调度方案需要同步调整，以支持新的边缘计算场景。

云计算，是将大量的算力资源集中到云端数据中心进行集中管控和调度，通过共享电源、散热、通信网络等基础设施，以经过优化后的规模优势来大幅降低算力资源的使用成本。在智能设备和联网设备海量增长的大潮下，云端数据中心的带宽资源、数据传输、信息获取等越来越捉襟见肘，集中化的云计算已经逐渐不能满足时代的需求。

边缘计算，是一种分散式运算的架构。边缘计算将原本完全由云计算中心节点处理的大型服务加以分解、解耦、拆分，切割成粒度更小更容易管理的小块服务，分散到众多的边缘节点去处理。为了适应计算架构的这种转换需求，原来云计算数据中心算力资源的集中管控和调度方案需要同步调整，以支持新的边缘计算场景。

从MEC到 MEC 再到5G MEC

MEC 移动边缘计算(Mobile Edge Computing) 是利用蜂窝通信的RAN无线接入网络(Radio A access Network)，为电信用户就近提供IT服务和云端计算功能，最终形成的高可用高可靠高性能的电信级服务网络。为避免移动通信承载网络“被管道化”，电信标准组织和电信运营研究了如何深入融合移动互联网、物联网业务，提出了将计算能力下沉到移动边缘节点的方案，以节省带宽算力资源，改善用户体验。

现有的电信网络运营商的基础设施，在大量融入到边缘计算架构以后，移动边缘计算MEC的理念逐渐发生了质变，不再拘泥于移动通信一种接入手段，变成了 MEC多接入边缘计算(Multi access Edge Computing) 的新网络架构。

MEC = 多种接入 + 近地分流 + 资源开放 ：

1. 多种接入 (Multi Access)

用户其实并不太在意接入手段，4G也好，5G也好，Wi-Fi也行，甚至可以是固网接入，用户在意的是能不能访问到边缘部署的业务，并获得相同的用户体验。

2. 近地分流 (Near diversion)

需要在数据面感知用户流量并在适当位置进行分流。如果不能在网络的近地边缘位置，就将用户业务流分流转向到本地处理，就无法实现业务路径时延最小化目的。

3. 资源开放 (Open resources)

可以开放给用户使用的资源，有：边缘计算算力资源、无线网络资源、自定义业务资源等，在网络的边缘位置，给本地的计算、处理和应用提供开放接口。

多接入边缘计算MEC开放了运营商网络的数据面，为移动边缘入口服务创新提供了基础，为物联网的未来铺平道路，为各种OTT(Over The Top)应用提供了技术条件。

MEC同时也是 5G标准的推动力量，是5G 实现uRLLC场景下保证低时延性能指标的较少的技术手段。随着5G架构的兴起，多接入边缘计算MEC 也随之演化成5G MEC，即：结合SDN 软件定义网络(Software Defined Network)、NFV网络功能虚拟化(Network Function Virtualization)、UPF用户端口功能(User Port Function) 下沉到边缘。涵盖的技术面也更为广泛，包括点对点、网格计算、雾计算、区块链和CDN内容分发网络(Content Delivery Network )等。5G MEC的概念在移动领域已经深入人心，几乎遍及各行各业，5G MEC解决方案都大受欢迎。

算力资源的隔离问题

一般情况下，5G MEC边缘网关设备对CPU、GPU、RAM、IO资源不会进行隔离。而对算力资源的隔离，是对算力资源进行管理的基础。

1. CPU、GPU算力资源隔离

CPU、GPU算力资源的隔离主要包括以下的方法：

(1) 对CPU、GPU算力按照百分比进行使用和隔离。来保证每个用户获得的CPU、GPU算力得到充分的共享和使用，保证较高的CPU、GPU利用率。这种方法所确保的百分比，实际上是每个用户的资源使用下限。大部分情况下，用户实际得到的CPU、GPU算力资源都会超过这个期望比例。

(2) 严格限制每个用户的CPU、GPU算力使用上限。 如果用户实际使用资源超过该比例，即使同机器上仍有大量的空闲算力资源，也不会分配给用户使用。这种方法公正严明，在资源使用效率上会存在某些问题。

(3) 虚拟CPU、虚拟GPU的使用上限。实现机制与(2)相同，针对虚拟CPU、虚拟 GPU的情况。一般虚拟设备和真实设备的比例是1：1。对异构集群，某些节点上的CPU拥有更强的计算能力，则可以调整物理CPU和虚拟CPU比例，以消除集群中CPU、GPU计算能力的异构性差异。

2. 内存算力资源隔离

考虑到内存算力资源的特殊性，如果缺少内存的隔离机制，若业务进程树所用总物理内存或总虚拟内存量超过限制时，会产生内存抖动现象，还会给同台机器上的其他应用引发系统振荡和异常问题。这种索取无度的本业务进程对其他业务进程输出异，外溢故障，需要直接杀掉。所以需要对系统中的每个业务进程树进行监控，当发现业务进程树的总物理内存或虚拟内存超过了预设的警戒限制时，要主动出手干预，杀死整个进程树。

4. IO算力资源隔离

IO算力资源分为磁盘IO和网络IO两种。IO算力资源的隔离比CPU和内存复杂的多，为了便于用户量化IO算力资源，仿照“虚拟CPU”概念，引入了“虚拟磁盘”、“虚拟网络”概念，实现磁盘IO隔离 和 网络收发IO隔离和调度。

5G MEC算力分配和调度

5G MEC边缘计算网关的算力资源，需要为不确定的多种接入方式的用户提供服务。用户需要先向系统提交算力申请，然后进入对应的5G MEC边缘网关，在算力资源请求队列进行排序；获得算力资源的使用资格后再进入算力执行调度队列，执行实际调度后才能得到需要的算力资源。对5G MEC边缘计算网关来说，这是一种多用户多业务多进程的服务调度，为了保证服务质量，需要制定合适的策略，结合用户业务需要分别进行算力资源分配和业务调度。最基本的策略有：

1. 绝对公平的分配和调度策略

即不区分用户，所有5G MEC用户一律平等，先来先服务策略。根据请求的时间先后次序，进入算力资源队列排序，先进先出的方式得到调度。提交申请在先的用户会先分配到算力资源，如：CPU时间片、GPU处理单元数量、RAM配额、NVM容量等。如果某项资源不足，则该用户必须在资源请求队列中等待，直到其他用户退出服务释放出足够的资源为止。执行调度也同样采用绝对公平的等时间片轮训调度。这种方式适合于平均计算时间、耗用算力资源情况差不多的业务。

2. 区分优先级的分配和调度策略

即歧视低优先级的原则，根据某种规则定义优先级，给每个用户和应用打上优先级标签。在算力资源分配上，高优先级的用户会优先分配算力资源；而低优先级用户要等高优先级用户全部分配完成以后，其所请求的算力资源才能得以分配。相同优先级的用户则按照先来后到方式进行算力资源的公平分配。

在执行调度上也要先匹配优先级，需要照顾后来的高优先级业务有机会提前运行，即高优先级的业务先执行，低优先级的业务即便得到资源分配，运行顺序也要靠后。

实际操作中会遇到优先级该如何判定问题：每个用户都倾向于认定自己的优先级最高，所以是不能依靠用户自己来指定自己的优先级。而运营商指定的优先级则不灵活，流于死板。相同优先级用户之间的调度也缺乏灵活性。即便同样都是高优先级，在时间上稍微后到的高优先级用户也要排在相同优先级用户的后面，有可能必须要被迫等待很久才被调度，严重影响高优先级用户的使用体验。特别是排在前面的那些高优先级的业务需要耗费非常多的算力资源时，比如AI模型训练需要几个小时乃至几天的CPU时间和大量内存时，就会导致排在后面的那些只要很少算力资源很快就能完成的业务被阻塞很久才被调度。即便用户具有“最高优先级”，也仍然得不到保证优先的服务保证。因此需要对用户的优先级进行动态调整才会更加恰当。

3. 最小算力资源优先的调度策略

这是针对上述特定问题提出的一种解决方案：如果用户业务所需算力资源最少、或执行时间最短，则其执行优先级可以临时动态往高优先级调整，这样可以解决相同优先级用户之间的调度难题。被系统判定优先的业务会“自动插队”，抢先在那些被系统判定为非优先的业务之前。这种貌似公允的策略实际上也存在着被滥用的漏洞，如：肆意反复提交同一个执行时间较短的业务，抢夺系统资源，“饿死”那些正常的业务。最终会导致 DoS 拒绝服务(Deny Of Service) 异常。

4. 执行算力资源配额策略

为每个用户分配一个执行算力资源配额，若该用户一次提交多个业务，用光了自己的执行算力资源配额，就让该用户干等。从整体来看这个调度方案对大家都是公平的。

这个貌似公平的解决方案仍然存在“吃大锅饭”问题：如有的用户业务多工作重，分配到的执行算力资源配额和工作量不成比例，导致运行缓慢，工作时间长，工作效率低；而有些业务少工作轻的用户却占据配额优势，肆意挥霍算力资源。所以按用户数来平均的配额制，“吃大锅饭”的方法并不能做到真正公平。

5. 执行算力资源池调度策略

为用户分配的执行算力资源配额作为资源池化管理，即如果用户的执行算力资源配额有剩余，必须共享出来给其他有需要的用户用，由池化调度平台去保障这种配额容量的共享和分配。这种池化共享分配和调度算法实现起来比较复杂，和所得到收益相比很难量化。

可以看到，算力资源调度算法随着使用场景、实际需求、技术进步，而不断发展更新。在同一场景下面存在不同业务时候还会面临不同的权重，比如权衡不同的用户身份、不同的业务性质：是生产业务优先，还是训练业务优先；训练业务中断后恢复执行时的优先级如何调整；如CPU占用型、GPU占用型和RAM占用型业务，哪个更优先；根据算力资源的类别来权衡和分配策略；CPU、RAM、网络带宽几种算力资源之间的调度搭配，不同硬件性能服务器的算力资源调度侧重，等等，是很复杂的课题。

结束语

算力资源编排和调度并不神秘，使用算力资源调度服务也不是什么高深技术，重要的是熟悉和使用手边的工具，尽快搭建原型系统来解决当前最紧迫的基本问题。在此基础上丰富特性多次迭代，直到能满足用户对算力资源的分配编排和调度的需求。